综述：基于脑电图数据的癫痫发作机器学习和深度学习方法系统综述

这篇综述系统评估了机器学习（ML）和深度学习（DL）在癫痫发作（ES）识别中的应用，涵盖检测、分类和预测三大任务。通过分析2013-2023年PubMed文献，作者对比了不同模型的性能，探讨了特征提取、数据集选择和模型泛化等挑战，并指出可解释AI（XAI）和联邦学习等新兴趋势，为临床转化提供了重要参考。

　　

Abstract

癫痫作为一种全球影响5000万患者的神经系统疾病，其发作的不可预测性给临床管理带来巨大挑战。脑电图（EEG）虽是诊断金标准，但信号的低电压特性（10-100 μV）和易受噪声干扰的特点使得人工分析耗时且易误判。近年来，机器学习（ML）与深度学习（DL）技术通过自动化处理EEG信号，在癫痫发作（ES）识别领域展现出变革性潜力。本综述首次将检测（实时识别发作期）、分类（区分发作类型/阶段）和预测（捕捉发作前预兆）三大任务纳入统一框架分析，揭示传统SVM模型依赖手工特征工程而CNN擅长从EEG图像化表征中自动提取特征的互补性优势，同时指出LSTM在时序建模中的独特价值。

Introduction

癫痫发作的复杂性体现在其两大类型——局灶性（影响单侧脑区）和全面性（双侧同步放电）的异质性表现。EEG信号包含δ（0.5-4 Hz）、θ（4-7 Hz）、α（8-12 Hz）、σ（12-16 Hz）和β（13-30 Hz）频段，但长达数月的监测数据使人工分析面临严峻挑战。AI技术的介入不仅缓解了神经科医生短缺的压力，更通过可解释AI（XAI）技术将模型决策过程透明化，例如突出显示影响分类的关键EEG特征波段。

Database Search Results

通过PRISMA流程筛选的文献显示，CNN架构在儿童失神发作（petit mal）检测中达到96%敏感度，而SVM在颞叶癫痫分类任务中F1-score达0.89。值得注意的是，使用联邦学习的多中心研究显著提升了模型泛化能力，但样本不平衡问题（发作片段仅占记录时长1%-5%）仍是共性瓶颈。

Background

传统ML流程依赖专家设计时频域特征（如Hjorth参数），而端到端DL模型可直接处理原始EEG信号。迁移学习策略通过预训练模型（如EEGNet）有效缓解了小样本问题，但模型参数量与临床部署的实时性要求形成尖锐矛盾。

Literature Review

• SVM模型：在CHB-MIT数据集上，结合离散小波变换（DWT）特征的线性核SVM实现发作检测延迟<2秒
• CNN创新：3D-CNN处理多导联EEG时空特征，对肌阵挛发作的识别特异性达98%
• LSTM突破：双向LSTM捕获预发作期（preictal）的γ波段（30-80 Hz）异常振荡，预测窗口提前达30分钟

Discussion and Challenges

计算复杂度与临床实用性的平衡成为焦点——ResNet-152虽在TUH数据集上准确率领先，但无法在移动设备实时运行。新兴的轻量化架构如MobileNet-V3将推理时间压缩至8ms/样本，同时通过注意力机制保持90%以上敏感度。此外，跨中心数据异质性导致模型性能波动达15%-20%，这促使隐私保护技术（如差分训练）成为研究热点。

Conclusion

未来方向将聚焦三大维度：1）开发兼顾¹²导联EEG处理能力和边缘计算需求的混合架构；2）建立标准化benchmark数据集（如EPILEPSIAE项目扩展版）；3）通过SHAP值等XAI工具实现模型决策可视化。正如作者指出，只有当AI系统的误报率低于0.5次/天时，才能真正融入临床工作流——这既是技术攻坚的终点，也是智慧医疗的起点。

（注：全文严格基于原文数据，未引入外部文献；专业术语如μV、preictal等均保留原文格式；去除了[1][2]类引用标识）